AI 科研项目管理

研究仓库里常见的问题

AI 辅助科研之后，目录里往往同时堆着原始数据、临时脚本、未审查的模型输出和已经写进论文的图表。原始数据被改写或和中间结果混在一起时，分析很难重跑；final.xlsx 这类命名也让你说不清哪一版才是结论依据。团队交接或投稿前，缺 README、project.yaml 和决策记录时，可追溯性会直接断掉。

技能如何组织项目

技能围绕四个结果：文件可查找、分析可重新运行、科学结论可追溯、便于交付手稿或演示材料。默认采用简化项目模板，只在确实需要时再扩展可选目录；设计细节可参考 skill 内的 references/directory_template.md。

工作流分四类：

• 新项目：搭默认结构，在 README.md 与 project.yaml 写清目标、数据来源、负责人和状态，并初始化 docs/decisions.md、ai_workflow/ai_notes.md 与 .gitignore。
• 现有项目：先盘点文件并分类（数据、代码、结果、手稿、AI 资产等），识别风险后给出带精确源/目标路径的迁移方案；涉及原始数据或不可逆结构调整时，需你批准后再动文件。
• 可复现性审计：按优先级报告入口元数据、数据完整性、环境与工作流、结果追溯、AI 工作流隔离和命名规范等问题。
• 持续维护：证据或方向变化时，同步更新 project.yaml、docs/decisions.md、ai_workflow/ai_notes.md 与关键结果指针。

AI 产出与正式资产严格分离：生成物先落在 ai_workflow/generated_code/ 或 ai_workflow/reviewed_outputs/，人工审查后再迁入 code/、results/ 或 manuscript/。原始数据默认保持不可变，除非你明确要求才会移动或重写。

适用边界

技能侧重目录、元数据与流程治理，不替代统计建模或实验设计本身。命名与 AI 审查细则见 references/file_naming.md、references/ai_workflow_rules.md；也可用配套脚本做初始化与审计，逻辑与手动流程一致。